| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2016-11-16 15:00 Efficient learning of ranking model using belief propagation ○Arise Kuriya・Toshiyuki Tanaka（Kyoto Univ.）  IBISML2016-64 |
|
| 抄録 | （和） | Learning to rank の分野ではランキングのモデルをデータに基いて学習する。 Pettersonらによって提案された指数分布族型のモデルはランキングの予測に良い性能を示した。 提案されたモデルでは分配関数の計算が行列のパーマネントを求めることに相当し、その計算を各学習ステップごとに行う必要がある。 しかしパーマネントを厳密に計算するアルゴリズムは指数時間であるため、問題のサイズが大きな場合には何らかの近似手法を用いる必要がある。 パーマネントの計算の高速な近似手法として確率伝搬法を用いたものが提案されている。 本研究では、確率伝搬法を用いることでPettersonらのランキングモデルの学習の高速化を行う手法を提案する。 さらに、学習の各ステップにおける確率伝搬法のメッセージの収束結果を、次の学習ステップにおける確率伝搬法のメッセージの初期値に用いることで学習のさらなる高速化を行う。 |
| （英） | In the area of Learning to Rank, the models whose output is ranking are trained from data. The exponential model proposed by Petterson showed good performance for predicting rankings. The model is closely related to permanent in the sense that the partition function is equivalent to permanent. The learning of the model requires intensive computation which is derived from the difficulty of calculating permanent. For approximating permanent, utilizing BP is proposed, which is computationally very efficient. In this paper we propose the application of BP to reduce the computational cost to learn the model proposed by Petterson {it et al.} In addition to that, we apply the idea of initializing BP with the messages from the previous step to reduce the number of the iterations for BP to converge. |
|
| キーワード | （和） | 確率伝搬法 / パーマネント / Learning to Rank / / / / / |
| （英） | Belief Propagation / Permanent / Learning to Rank / / / / / | |
| 文献情報 | 信学技報, vol. 116, no. 300, IBISML2016-64, pp. 131-135, 2016年11月. | |
| 資料番号 | IBISML2016-64 | |
| 発行日 | 2016-11-09 (IBISML) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | IBISML2016-64 |
|
| 研究会情報 | |
| 研究会 | IBISML |
| 開催期間 | 2016-11-16 - 2016-11-18 |
| 開催地（和） | 京都大学 |
| 開催地（英） | Kyoto Univ. |
| テーマ（和） | 情報論的学習理論ワークショップ(IBIS2016) |
| テーマ（英） | Information-Based Induction Science Workshop (IBIS2016) |
| 講演論文情報の詳細 | |
| 申込み研究会 | IBISML |
| 会議コード | 2016-11-IBISML |
| 本文の言語 | 英語 |
| タイトル（和） | |
| サブタイトル（和） | |
| タイトル（英） | Efficient learning of ranking model using belief propagation |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 確率伝搬法 / Belief Propagation |
| キーワード(2)（和/英） | パーマネント / Permanent |
| キーワード(3)（和/英） | Learning to Rank / Learning to Rank |
| キーワード(4)（和/英） | / |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 栗谷 亜理世 / Arise Kuriya / クリヤ アリセ |
| 第1著者 所属（和/英） | 京都大学 (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 第2著者 氏名（和/英/ヨミ） | 田中 利幸 / Toshiyuki Tanaka / タナカ トシユキ |
| 第2著者 所属（和/英） | 京都大学 (略称： 京大) Kyoto University (略称： Kyoto Univ.) |
| 第3著者 氏名（和/英/ヨミ） | / / |
| 第3著者 所属（和/英） | (略称： ) (略称： ) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2016-11-16 15:00:00 |
| 発表時間 | 180分 |
| 申込先研究会 | IBISML |
| 資料番号 | IBISML2016-64 |
| 巻番号（vol） | vol.116 |
| 号番号（no） | no.300 |
| ページ範囲 | pp.131-135 |
| ページ数 | 5 |
| 発行日 | 2016-11-09 (IBISML) |
[研究会発表申込システムのトップページに戻る]